1、Illumina测序基础知识第一个要给大家讲的，是它这个flowcell。Flowcell翻成中文，就叫“流动池。我们来看这个图片。图片当中，我们看到一个象载玻片大小的芯片。这个芯片里面，是做了8条通道。在这个通道的外表，是做了专门的化学修饰。它的化学修饰，主要是用2种DNA引物，把它2种DNA引物种在玻璃外表。这两种DNA引物的序列是和接下来要测序的DNA文库的接头序列相互补的。而且这2种引物是通过共价键，连到Flowcell上去。之所以要用共价键连到Flowcell上去，是因为接下来有大量的液体要流过这个Flowcell，只有有共价键连接的这些DNA，才不会被冲掉。这就是Flowcell。
2、再接下来，讲一下文库、和文库的制作过程所谓的DNA文库，实际上是许多个DNA片段，在两头接上了特定的DNA接头，型成的DNA混合物。文库有2个特点，第1个特点，是当中这一段插入的DNA，它的序列是各种各样的。第2个特点，它的两头的接头序列，是的，而且是人工特地加上去的。要做这个文库，首先是把基因组DNA，用超声波打断。然后打断之后，两头用酶把它补平，再用Klenow酶在3端加上一个A碱基。然后，再用连接酶把这个接头给连上去。连好了接头的DNA混合物，我们就称为一个“文库。英文也称作“library。做好了Library之后，就要做桥式PCR了。桥式PCR，实际上是把文库种到芯片上去，然后进展扩
3、增，这样的一个过程。这个过程，首先是把文库参加到芯片上，因为文库两头的DNA序列，和芯片上引物是互补的，所以，就会产生互补杂交。杂交完了之后，我们在这里面参加dNP和聚合酶。聚合酶会从引物开场，延着模板合成出一条全新的DNA链来。新的这条链，和原来的序列是完全互补的。接下来，我们再参加NaOH碱溶液。DNA双链在NaOH碱溶液存在下，就解链了。而且被液流一冲，原来的那个模板链，也就是没有和芯片共价连接的链，就被冲走了。而和芯片共价连接的链，就被保存下来。然后，我们再在液流池里参加中性液体，主要是为了中和这个碱液，在参加中和液之后，整个环境变成中性了。这时侯，DNA链上的另外一端，就会和玻璃板上
4、的第二种引物，发生互补杂交。接下来，我们参加酶和dNTP，聚合酶就延着第二个引物，合成出一条新链来；然后，我们再加碱，把2条链解链解开；然后，我们再加中和液，这时侯，DNA链会和新的引物杂交。再加酶，再加dNTP，又从新引物合成出新的链来。连续重复这一过程，DNA链的数量，就会以指数方式增长。在桥式PCR完成之后，接下来要做的工作，就是要把合成的双链，变成可以测序的单链。方法是通过一个化学反响，把其中一个引物上的一个特定的基团给切断掉。然后，再用碱溶液来洗这个芯片。这时侯，碱让DNA的双链解链，那根被切断了根的DNA链就被水冲掉了。留下那根共价键连在芯片上面的链。接下来，再参加中性溶液，然后在
5、这个中性溶液里面参加测序引物。好，接下来正式的测序工作就开场了。那么，在测序的时侯，参加进去的，最主要是2个东西：一个是带荧光标记的dNTP。而这个dNTP，它还有一个特点，它的3末端是被一个叠氮基堵住的。然后，再加一个聚合酶，聚合酶就会选择：哪一个dNTP是和原来位置上的那个碱基是互补的，根据互补性原理，把这个dNTP合成到新的这个DNA链上去。因为这个dNTP的3端是被一个叠氮基团堵住了，所以，它一个循环只能延长一个碱基。然后，它就停在那儿了。合成完了之后，就用水把多余的dNTP和酶给冲掉。冲掉之后，就放到显微镜下，去进展激光扫描。根据发出来的荧光来判断它是哪个碱基。因为4种dNTP，它每
6、一种dNTP上面标的荧光素都不一样，根据红、黄、蓝、绿，它出来的哪种颜色，那么，就可以倒过来推出来，这个新合成上去的碱基，是哪种碱基。因为新合成的碱基，是和原来位置的碱基是互补的，所以，又推出模板上那个碱基是哪个。这一个循环完成之后，就参加一些化学试剂，把叠氮基团和旁边标记的荧光基团切掉。切完了之后，3端的羟基就暴露出来。再接下来，参加新的dNTP和新的酶，然后，又延长一个碱基。新延长完一个碱基之后，把多余的酶和dNTP冲掉，再进展一轮显微的激光扫描，再读一下这个碱基是什么。不断重复这个过程，可以重复上百次，到几百次，就可以把上百个碱基，甚至更多碱基的序列读出来。那么，什么是Index哪？是因
7、为Illumina的评委会个测序量很大，往往一个样本，用不了那么几亿条DNA。所以，科学家就想了一个方法。在文库的接头上做了一些标记，每一个样本，它有一个特定的接头，每个接头里面，它有一段特定的序列。这段特定的序列，我们就称为Index。也有人把它叫做Barcode，反正，表达的是一个意思：这么一段特定的序列，标记了样本的来源。那么，要读这个Index的序列，先用碱把上面这根测完“Read 1的序列，把上面这根DNA链给解链掉。解链掉之后，再参加中性液，然后，参加“Read 2这个测序引物。Read 2测序引物结合的位点，正好，就在这个Index序列的旁边。接下来，就进展第2轮测序，一般来说，
8、是读6到8个碱基。把这6到8个碱基读下来，我们就可以知道，这某一个具体的一段DNA，它来自于原始的哪个样本。这是Illumina的最核心的另外一个技术，就是双端测序。那么双端测序，就是说，一根DNA链，除了从正向读一遍，还可以从DNA的负向，再读一遍。这一下子就把Illumina测序的有效长度加了一倍。这是非常有实际用途的。那么这个倒链的过程，是这样，先让这个DNA先合成，合成出来这根互补链。有了这个互补链之后，用一个化学试剂，在原来这根链的根上切一下。切一下，原来这根模板链就掉了，剩下那根互补链。再接下来，就进展第2端的测序。第2端的测序原理，和第一端的测序原理是一样的。加上了“Read 3
9、的这个引物，依次往下，一个一个碱基地往下读。那么最重要的事情是什么呢？一个点，经过几百个循环，就读出了几百个碱基。但实际上，这个芯片上可以有上亿个点，上亿个“cluster，也就是“簇。那么上亿个“cluster，每个循环，它都可以读出地么多序列，这是Illumina测序非常强大的原因。因为是成千上万，准确说是上亿上链都在合成，这个就得到了很大的一个测序数据量。Illumina HiSeq测序仪的工作原理。也就是芯片上发生了这么多变化，HiSeq是如何把这些信息给读出来，并且把扫描出来的荧光信号，又通过怎样一系列的加工，变成可以识别的“A、C、G、T的碱基序列的。HiSeq首先是一台高精度的显
10、微光学扫描仪。然后再配上了一整套的液流系统，和计算机软硬件，再加温控系统，组成这样一台测序仪。其中最核心，也是结构最复杂的，是它的光学系统。前一期，我们讲了，Illumina测序仪主要是靠4种dNTP分别带有不同的荧光基团，在被激光照了之后，发出不同颜色的荧光。再通过对光的颜色的分辩，可以判断出到底是哪个碱基。这里，我们要说明一下：感光元件CCD，它本身是色盲。所以，它一定要配合滤光片，才能分辩出颜色来。那我们先来看一下，HiSeq的光路图。左边这两个元器件，就是激光器。一个发出红色激光，另一个发出绿色激光。其中红色激光主要是激发A和C，这两种碱基上的荧光基团；而绿色激光主要是激发G和T，这两
11、种碱基上的荧光基团。红色和绿色这两束光，通过一面半透半反镜，组成一道激光。这道激光打在Flowcell上。那么请注意，Flowcell就放在这个位置。在Flowcell里面，结合在DNA上的那个荧光基团在激光的照射下，就发出荧光。荧光通过3面半透半反镜，和1面全反镜，被分成4条光路，这4道光线，分别通过一道滤光片，这4滤光片的滤过波长不一样。这样，这4 道光在经过了滤光片之后，就变成了4种颜色不同的光线。然后，这4条颜色不同的光线，各自照在一面反射镜上，通过反射镜进入到CCD。这4个CCD就记录到不同颜色的光线。HiSeq的光线扫描是“线扫描，和传统的相机不一样，传统的相机是面扫描。HiSeq
12、采取了一种特定的叫“TDI线扫描方式，TDI是Time delayintegration的缩写。在HiSeq上之所以采取TDI扫描方式，因为它有非常明显的优点。第一个优点，就是它的扫描速度非常快，在HiSeq 2500上，从Flowcell的一个Lane的一头扫到另外一头，也就是一个“Swath的扫描时间，大概只有20秒种不到。第二个好处，就是它的扫描精度非常高。在最新的HiSeq V4版试剂上，它的光点密度，大概可以到达每平方毫米90万个点，要扫描清楚这么高密度的光点，扫描仪的扫描精度是可想而知的。TDI扫描的第三个好处，是这种方式，可以把Flowcell的上外表、和下外表都扫描到。接下来，
13、我们再要详细介绍这Flowcell。那么，先来看一下，这flowcell有点象一载玻片，在这一片子里面，我们可以看到，它做了8条通道。每条通道，我们称为一个Lane。这8个Lane之间，相互是隔绝的。每个Lane的两端各有一个小孔。这两个小也孔，就是液流流进、流出的地方。每个Lane的上外表和下外表，都分别以共价键的方式，种了2种DNA引物。这两种DNA引物，是与文库接头的两头序列相互补的。上一期节目我们已经说明了这一点。一个Lane里面，分成2个面，上外表、和下外表。上外表和下外表，都种了DNA引物，也都是可以产生测序数据的。在每一条Lane的每一个面，又被分成了3个扫描通道，每个道被称为一
14、个“swath。每条Swath是从头到底被连续扫描的。但是它的数据，在进展数据分析的时侯，是被分割成16个小方块。这每一个小方块，被称为一个“tile。这样一Flowcell，总共就是768个Tile。每个Tile在扫描的时侯，会根据4种颜色，产生4照片。扫描完了之后，就要进展图像处理。扫描出来的最原始的文件，它的格式是“.tiff文件。Tiff文件记录了每个像素点上采集到的光强度。Tiff文件的优点是它是完全无损，保存了所有的原始信息。但它也有它的缺乏之处。它的缺乏之处就是它的这个文件太大了。它的数据量很大，既不便于数据的传输，也不便于数据的存储。接下来，计算机软件就把图像文件转化成光点文件
15、。光点文件叫“.BCL文件。也就是“Base calling的英文缩写。要把图像文件，转化成BCL文件，就是把4种颜色的4照片，组合在一起，变成一有4种颜色的彩色照片。这其中首先要解决的，是4照片在空间位置上的匹配问题，因为4照片是通过4个CCD分别拍下来的，所以，会有一定的空间上的偏差。软件要通过对4照片上，亮点相互比对，找到最适宜的、匹配的位置。这里，我们要说明一下，如果被测的文库是碱基不平衡的文库，在这个空间匹配上就会遇到问题。什么叫碱基平衡呢？也就是说，在测序过程当中，每个循环，A、C、G、T四种碱基，都是比拟均匀在存在的。最典型是人全基因组文库，这是一个典型的碱基平衡文库。那什么是碱
16、基不平衡文库呢？最典型的，就是PCR扩增子产生的文库。PCR扩增子的特点：PCR是有特定的起始位点的，一个特定的测序循环中，几乎所有的片段都是同一种碱基，而剩下的3种碱基，就特别少。这在反映到照片上去的时侯，就变成：一照片特别亮，光点很多。而其它的三照片就特别暗，上面的光点就很少。这时侯，要软件做空间上的比对，软件就会觉得困难，因为对于那几暗的照片，软件很难判断上面的光点，是否与那亮的照片上的光点真正对得上。结果，就是判断出来的可靠性变差。最后，就是测序的数据质量变差，有效数据量也会变少。要解决这个问题，方法是在测序过程中掺入一些碱基平衡的文库。例如掺人全基因组文库。或者也可以掺Illumin
17、a提供的标准的PhiX文库，这些都是碱基平衡文库。它的作用，是在每个循环当中，为每一种颜色的照片，都提供足够多的亮点。这样，它可以弥补那些不平衡的文库当中缺亮点的问题。当把4种颜色的光点组成一个文件之后，软件就会生成一个“.BCL文件。“.BCL文件就是光点文件，它对每个光点，记录了以下的容。首先一个光点处在哪个Lane里面。其次，这个光点在这个Lane的哪个Tile里面。第3，就是这个亮点在这个Tile的X轴和Y轴的座标位置。第4，是记录了这个光点当中“红、黄、蓝、绿四种光的对应的光强。这个图是BCL文件的一个示意图。实际上，BCL文件是二进制文件，无法拿来直接阅读。也正是因为BCL文件难于
18、阅读，并且很难改动，所以，BCL文件几乎不存在做假的可能。在测序过程当中，有许多客户会要求测序公司提供原始的测序数据，如果客户是包Lane、或者包Flowcell的，一般测序公司是可以提供BCL文件的。客户在拿到BCL文件之后，可以用“BCL2FASTQ这个软件，把BCL文件转化成FASTQ序列语文件。以此，客户可以来验证，测序公司提供的数据是否是原始的，是否是真实的。再说一下最初生成的那个tiff文件。tiff文件实在太大了，所以，测序仪在测序过程中，只把tiff文件作为中间文件。最后是把这个tiff文件删掉的。如果客户想要原始的图像文件，在HiSeq V4之前，可以让测序公司保存“.CIF
19、文件。CIF文件是一种彩色图案的向量文件，它的优点是比tiff文件的数据量小很多。测序公司把CIF文件给客户之后，客户就可以看到原始的图像文件了。但是，请注意：在HiSeq升级到V4之后，保存CIF文件的这个选项是被取消掉了。所以，对于要测V4 Lane的客户来说，是拿不到CIF文件了。接下来，我们讲一下碱基识别。我们之前讲：4种dNTP，各标一种荧光基团，红、黄、蓝、绿，四种颜色，根据颜色来判断碱基种类。这个实际上是一种简化了的说法。实际情况，要比这个复杂得多。来看这个图，这是2种荧素的荧光的波长图。我们会觉察，这两种荧光色，它发出来的发射光，它在波长上是有交叠的。在X的这个位置，主要是绿色
20、荧光素的奉献，但是蓝色荧光素，也有少许奉献。而在Y这个波长位置，蓝色荧光素是做了主要奉献，但是绿色荧光素，也有少量供献。在实际测序过程中，是4种荧光素发出的亮，相互有交叠，相互之间的交系，变得更加复杂。那么，现在我们要做的事情，是把A、C、G、T，4种荧光素的奉献给拆开。首先，我们就要确定4种荧光素在4个被测波长处的奉献率。我们可以看一下，这个表，就是4种荧光素，在4个波长分别有不同的奉献率。这样就组成一个4X4的奉献率表格。我们在实际的分析当中，等于解一个4元1次、4联方程。因为是4个未知数，又是4个方程，所以肯定是可以解出来的。说解方程，有点复杂。那么我们来打一个比方。让大家来理解这个事情
21、。假设有一家饭店，它有4个熟客：甲、乙、丙、丁。它日常又提供4道菜：猪肉、白菜、黄瓜、花生。大厨知道：甲最爱吃猪肉、乙最爱吃白菜、丙最爱吃黄瓜、丁最爱吃花生，每个人来了饭店之后，主要吃自己最爱吃的，也会吃些别的菜，但别的菜都吃得不是太多。那么这个大厨不到前台，看不到今天来的客人。如果，这个大厨想要知道今天来的客人是谁，他有什么方法呢？看今天哪个菜被吃掉得最多。如果今天的菜被吃掉的最多的是猪肉，那他可以大致地判断，今天是甲来过了；如果他看到今天被吃掉的菜，最多的是白菜，很可能是乙来过了；那么其它的，道理也是一样的。希望这个例子可以帮大家来理解一下，这4个荧光和4种碱基的判读的关系。接下来，我们再
22、讲一下，Phasing和Prephasing。在Illumina的测序过程当中，一个簇，大概有5千个到1万个分子。但是在边合成、边测序的过程当中，每一步酶反响，理想情况下，应该这5千个分子都延长1个碱基。但实际情况，总有少量分子没有完成延长反响。也就是说，总有少量的分子会落伍，我们称这种落伍的现象叫“phasing。Phasing主要是由于酶活性缺乏，所引起的。如下图，落伍的这个分子，它所发出的荧光信号，和大部队所发出的荧光信号是不一样的。这个循环的次数越多，落伍的分子就越多。所以，测序越到后面，它Phasing的分子数就越多。最后，信号的可靠性就越差。除了落伍的分子，还会有一局部分子，会跑得
23、超前，也就是在一个循环中，它延长了2个碱基。在一个循环中延长了2个碱基的最主要的原因，是dNTP上标记的那个叠氮基团(N3)掉了。我们知道，叠氮基团是非常容易从有机化合物上掉落的。当叠氮基团掉落之后，dNTP的3端的羟基就暴露出来了。当丧失了叠氮基团的dNTP加到合成链的3端之后，它的聚合反响不会终止，而是会继续往前走。当再加上了一个带叠氮基团的dNTP之后，这个聚合反响才停下来。这样的后果，就是一个循环，某些分子，会合成了2个碱基。也就是说比大部队多走了一步。那么这个多走了一步的碱基，它所发出来的荧光颜色，也是和大部队不一样的。在Illumina测序过程当中，Phasing和Prephasi
24、ng是限制测长的最主要原因。也就是说，随着循环不断进展，越来越多的分子落伍，还有越来越多的分子超前。然后，它们所产生的噪音，掩盖了大部队的信号的时侯，也就是测序开场测不准的时侯。在HiSeq测序当中，从第12个循环开场，在计算某个光点是哪种碱基的时侯，就要把Phasing和Prephasing的影响，纳入考虑。为了对光点当中荧光素的纯粹程度进展描述，Illumina公司定义了个标准，叫“chastity，Chastity的定义，就是浓度最高的那个荧光素的量，去除以“它自己 + 排名第二的荧光素的量的和。大于0.6是一个好碱基。用更加通俗的话来说，也就是“老大比“老二，如果大于、等于“1.5倍，
25、这就是个“好碱基。如果“老大比“老二缺乏“1.5倍，这就是个“坏碱基。Illumina对每个read的质量都要做一个检验，这个检验就叫“pass filter检验。检验的标准，是看前25个碱基当中，有几个是“坏碱基。如果只有一个、或者没有坏碱基，那么Pass filter就通过；如果有超过一个以上的坏碱基，Pass filter就不能通过。那我们平时说，测序效劳保证多少“PF data，指的就是Pass Filter(PF)的数据。Pass Filter最主要的作用，就是把那些一个光点当中，含了几个cluster的那些点，给去掉。只剩下那些纯粹的单克隆的read，作为合格的数据，提交给客户。我
26、们平时说“PF率，指的就是Pass Filter的Reads数，占总的、测到的Reads数的比例。PF率可以从一个侧面反映测序的质量。一般来说，如果上样密度过高，PF率就可能会下降。一个碱基的Quality Score，也就是这个碱基的质量分数Q值。这个是通过这个碱基被误判的可能性，换算出以10为底的对数，再乘以“-10得到的这样一个数字。这个Q值，有点象我们说黄金的纯度，我们说“三九金，或者说“四九金，就是指99.9%的纯度的金子，或者是99.99%的纯度的金子。我们平时说Q30，就是指一个碱基的可靠性到达99.9%。或者说，它的出错的可能性小于千分之一。同样道理，我们说Q40，就是指一个碱
27、基的可靠性是99.99%。或者说，它的出错的可能性是万分之一。那么，我们经常说Q30比例，所谓的“Q30比例，就是在全部PF数据当中，到达、或者超过Q30质量标准以上的数据，占所有PF数据的比例，叫Q30比例。Q30比例，可以表征一个测序过程的质量的好坏。一个碱基的质量分数，不是以数字方式，直接记录到最后的Fastq文件的。而是把它的Q值，加上33，再用ASCII码表转换成一个字母，把这个字母录入Fastq文件。这样做，有2个好处。如果我记2位数字，那么就占2个字节，现在用一个字母来记录，只占一个字节。那数据存储空间就节省了很多。第二个好处，用ASCII码字母表，一个碱基，只对应一个字母；如果
28、是用2位数字来记录，就有可能发生移码错误。而用ASCII码，一个字母来记录，就不太容易发生移码错误。在软件做完上述所有的数据处理之后，就会生成一个Fastq文件。Fastq文件里，主要包含了3局部容。第一个局部，是每个Read的目录信息。也就是这个Read来自于哪台HiSeq、第几个run、第几个Lane、和第几个Tile，以及在这个Tile的X、Y的什么位置。接下来，就是所测到的碱基的序列。最后，是这些碱基序列对应的质量分数信息。这个，就是Fastq文件。到Fastq文件之后，测序仪所要完成的工作，就完全完成了。Pacbio是目前读长最长的测序技术公司。它的读长，最长可以到达2万到3万个碱基
29、，平均可以到达8千多个碱基。相比于llumina 和Ion Torrent的几百个碱基的读长来说，有着明显的优势。PacBio的测序原理，和别的高通量测序的原理，根本上也是一样的。也是边合成，边测序。首先，这个聚合酶是固定在测序小孔的玻璃底板上。这个聚合酶又和DNA模板、测序引物是结合在一起的。然后参加带4色荧光的dNTP底物，这些dNTP都在其磷酸基团上被标上了荧光基团，四种碱基、各标一种颜色。当一种与聚合酶正要合成的碱基一致的dNTP被酶抓住的时候，酶就会长时间地抓住这个dNTP,不让这个dNTP漂走。这时侯，激发光从小孔的底部照进来，打在这个被抓住的dNTP上，就会在较长时间发出荧光。仪
30、器根据所拍到的荧光的颜色，就可以来判断，这个碱基是哪种碱基。一个循环的聚合反响发生完毕之后，焦磷酸基团就从原来的dNTP上掉下来，因为荧光基团是连到这个焦磷酸上的，所以这个荧光基团也就一起掉下来了，在溶液中就会漂走。接下来，进展第二、第三个循环，一直进展下去。一芯片上有几万个孔，同时进展测序，这样一次就可以得到几亿个碱基的序列。接下来，分几个要点，来说明这个测序的过程。和Illumina一样，PacBio也采用了4色荧光基团来标记dNTP，但是PacBio的标记和Illumina的标记有所不同，PacBio的荧光基团直接是标在dNTP的3端的磷酸基团的末端的。这样标记的好处是：当一个聚合反响的
31、循环完成的时侯，dNTP上的那两个磷酸基团就掉下，连在这个磷酸基团上的荧光基团也随一块儿掉下来。它掉下来之后，就在溶液中漂走，不会影响接下来的测序过程了。然后，我们说一下这个测序小孔的设计。这个测序小孔叫Zero Model Waveguide，简称ZMW。小孔的直径很小，光只能在小孔中传输很短的距离。这个特点对PacBio的测序很重要。因为酶是被固定在玻璃底板上的，所以，只有互补的dNTP被酶抓到的时侯，这个dNTP才会较长时间地停留在离玻璃底板很近的位置。也只有这样，才会被激发光照到，并且发出它的荧光。PacBio的光学设计中，入射光是几百纳米波长的可见光,光从小孔的底部的玻璃处照到小孔中
32、来。这个，只有70纳米。其它游离的dNTP，只会非常短暂地进入小孔，又很快漂走。所以，这些游离dNTP带来的的噪音信号，就被抑制在很低的水平。接下来，我们说一下PacBio的建库。PacBio的建库是比拟特别的。它的库是在DNA片段的两段各接一下发夹型的接头。接好了发夹形的接头之后，形成的文库是一个哑铃形的文库。这种哑铃形状的文库有个好处，那它整个分子实际上是一个圆环。在测序的过程中它可以周而复始地进展测序，这对于发挥PacBio的长读长的优势是很有益处的。接下来，我们说一下PacBio它测序长度优势的来源。这个来源，是因为它测的是个单个分子。相比之下，Illumina或者Ion Torrent测的都是一簇分子。或者说它们测的都是一大堆分子。当
